MerQuR+Başvuru Kitabı

118. Mekânsal Hata Modeli (SEM)

Analiz kimliği: spatial_error · Menü adı: Mekânsal Hata Modeli · Panel ve motor: gui/panels/analyses/spatial_error.py, execute (satır 188–426), Hausman _hausman (439–458); komşuluk ve kukla kodlama SAR paneliyle ortak (spatial_sar.py, make_spatial_weights, expand_categorical). Kestirim spreg ML_Error.

118.1 Ne işe yarar

Mekânsal hata modeli şu soruyu cevaplar: Açıklayıcıların etkisini doğru kestirmek için, mekânda kümelenmiş ölçülmemiş etkenlerin hatalar arasında yarattığı bağımlılığı nasıl hesaba katarım? Komşu illerin vaka oranları birbirine benziyorsa bunun nedeni bulaş değil, ortak iklim, ulaşım ağı ya da sağlık hizmeti örgütlenmesi gibi ölçülmemiş bölgesel etkenler olabilir. Bu etkenler hataya kalır ve hatalar mekânsal olarak ilişkili olur:

\mathbf y=\mathbf X\boldsymbol\beta+\mathbf u,\qquad \mathbf u=\lambda\mathbf W\mathbf u+\boldsymbol\varepsilon,\qquad \boldsymbol\varepsilon\sim N(\mathbf 0,\sigma^2\mathbf I_n)
  • \mathbf u: mekânsal olarak ilişkili hata; \mathbf u=(\mathbf I-\lambda\mathbf W)^{-1}\boldsymbol\varepsilon, kovaryansı \sigma^2(\mathbf I-\lambda\mathbf W)^{-1}(\mathbf I-\lambda\mathbf W^{\top})^{-1}.
  • \lambda: mekânsal hata otokorelasyon parametresi; \lambda>0 komşu artıkların benzer olduğunu gösterir.
  • \mathbf W, \mathbf X, \boldsymbol\beta: Bölüm 117'deki gibi. \mathbf W aynı seçeneklerle kurulur (117.5.1).

SAR'dan farkı: \mathbf y komşu \mathbf y'den etkilenmez, geri besleme yoktur. \mathbf X\boldsymbol\beta ortalamayı OLS'de olduğu gibi verir; \beta_j doğrudan marjinal etkidir. Bağımlılık yalnız verimliliği ve SH'leri etkiler: OLS \boldsymbol\beta'yı yansız kestirir ama SH'leri yanlıştır; SEM GLS benzeri bir düzeltmeyle hem SH'leri düzeltir hem verimliliği artırır.

Ne zaman kullanılır? Sürekli sonuç, birim konumları ve OLS artıklarında anlamlı Moran's I varsa; LM tanılarında (117.5.7) hata testi (özellikle sağlam LM-error) öne çıkıyorsa; kuram yayılma değil ortak ölçülmemiş etken öneriyorsa.

Ne zaman kullanılmaz?

  • Komşuların sonucu doğrudan etkiliyorsa (bulaş, taklit): SAR (Bölüm 117). Yalnız sağlam LM-lag anlamlıysa.
  • Komşuların açıklayıcıları da sonucu etkiliyorsa: bu panelde SDEM seçeneği ya da SAR panelinde SDM.
  • Katsayılar konuma göre değişiyorsa: GWR (Bölüm 119).
  • Sonuç ikili ya da sayımsa: SEM doğrusal-normal bir modeldir.

Sık karıştırılan analizler. Burada "SEM" Spatial Error Model'dir, yapısal eşitlik modeli değildir. Mekânsal hata modeli ile kümelemeye sağlam SH'li OLS arasındaki fark: sağlam SH yalnız çıkarımı düzeltir ve küme sınırlarını bilmeyi gerektirir; SEM bağımlılığı sürekli bir komşuluk yapısıyla modeller ve \boldsymbol\beta'yı daha verimli kestirir.

118.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Doğru \mathbf W Hata bağımlılığının yapısı \mathbf W ile doğru tanımlı. Denetlenmez; ada ve k-NN bağı notu.
Dışsal açıklayıcılar E(\mathbf u\mid\mathbf X)=\mathbf 0; ölçülmemiş bölgesel etkenler \mathbf X ile ilişkisiz. İsteğe bağlı Mekânsal Hausman testi.
Normal, sabit varyanslı \boldsymbol\varepsilon ML olabilirliği normale dayanır. Denetlenmez (SAR panelinin OLS tanıları aynı veride kullanılabilir).
Durağanlık \mathbf I-\lambda\mathbf W tersinir. \lambda (−1, 1) aralığında aranır.
Doğrusallık E(\mathbf y)=\mathbf X\boldsymbol\beta. Denetlenmez.

Dışsallık neden kritik?

Ölçülmemiş bölgesel etken hem hatada hem de bir açıklayıcıda varsa (ör. sosyoekonomik düzeyle ilişkili hava kirliliği), \mathbf u ile \mathbf X ilişkili olur. Bu durumda ne OLS ne SEM \boldsymbol\beta'yı tutarlı kestirir, ama ikisi farklı olasılık limitlerine gider. Pace ve LeSage (2008) Hausman testi bu farkı sınar (118.5.4).

Eksik değer. Bağımlı değişken, açıklayıcılar ya da koordinatlarda eksik olan satır çıkarılır (spatial_error.py:259). Kategorik açıklayıcılar kukla değişkenlere açılır (ilk düzey referans; 250).

Uç durumlar. SAR paneliyle aynıdır (117.2): n<20 hata (258–260), n<50 not (410–413); sabit bağımlı/açıklayıcı ya da tek konum hatası (262–265); k-NN'de k\ge n hatası; ada ve bağ notları; tekil matris iletisi (298–299). Ek olarak \lvert\hat\lambda\lambda_{\max}\rvert<0{,}05 ise "λ zayıf" ve p_\lambda\ge\alpha ise anlamsızlık notu (402–409). Hausman kutusu yalnız SEM'de etkindir; SDEM'de işaretlenirse not basılır (397–399).

118.3 Parametreler

Varsayılanlar add_form_rows (112–166) ve read_form_options (169–183) satırlarından alınmıştır. Komşuluk satırları SAR paneliyle aynı işlevlerle kurulur (add_w_type_rows, add_w_option_rows).

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Bağımlı (sayısal) DV ilk sayısal sütun \mathbf y. —
Bağımsız değişkenler en az 1 Sayısal ya da kategorik (kukla). \mathbf X.
Enlem / Boylam ilk sayısal sütun Koordinatlar. \mathbf W.
Komşuluk yöntemi k-NN k-NN; uzaklık bandı (otomatik); kullanıcı eşiği; 1/d; dış dosya (.gal/.gwt). \mathbf W'nin yapısı.
k (k-NN için) 5 (2–50) Komşu sayısı. —
Uzaklık eşiği 0 (otomatik) Bant ve 1/d eşiği. —
Ağırlık dosyası boş Dış komşuluk. —
W standardizasyonu W — satır standart W, B, C, U, S (117.5.1). \lambda'nın ölçeği.
Uzaklık ölçüsü Öklid Öklid ya da büyük çember (km). —
Model SEM SEM ya da SDEM (+ \mathbf W\mathbf X). SDEM'de \boldsymbol\theta ve etki tablosu.
Ek çıktı: Mekânsal Hausman testi kapalı Pace ve LeSage (2008) testi; yalnız SEM'de etkin. Ek bölüm.
Güven Düzeyi %95 \lambda ve \boldsymbol\beta Wald GA'sı ve anlamlılık kararının \alpha'sı. GA genişliği ve karar (p<\alpha).

SAR panelindeki kestirim yöntemi seçimi (LU, Ord, S2SLS) ve OLS tanı kutusu bu panelde yoktur; SEM her zaman tam özdeğerli ML ile kestirilir.

118.4 Tıp örneği

Dosya: english/datasets/Tip/106_spatial_error_disease_residual_autocorr.xlsx (Türkçe kopyası samples/Tum_Analiz_Tip/106_spatial_error_hastalik_residual_autocorr.xlsx). Değişkenler VIDEO_SCRIPT_TR.txt #106'dan. Koordinatlar ve açıklayıcılar #105 ile aynı 100 benzetim "il"idir; yalnız bağımlı değişken farklı üretilmiştir.

Değişken Rol Tür Özet
case_ratio Bağımlı sürekli ortalama 524,1; SS 121,7; 243,5–824,4
socioeconomic Açıklayıcı sürekli ortalama 53,9; SS 21,8
age_mean Açıklayıcı sürekli ortalama 41,9; SS 7,1
lat, lon Koordinat derece Bölüm 117.4 ile aynı

n ve eksik değer: 100 il, eksik değer yok.

Klinik soru: Sosyoekonomik düzey ve yaş ortalamasının vaka oranına etkisi, komşu illerde benzer biçimde sapan (ölçülmemiş) bölgesel etkenler hesaba katılınca nedir?

Seçilen ayarlar: Varsayılanlar (k-NN k=5, satır standart W, Öklid, %95). Hesap yürüyüşü için Hausman testi açılmış; ayrıca SDEM ve otomatik uzaklık bandıyla çalıştırılmıştır.

118.5 Formüller ve hesap adımları

MerQur'un hesap sırası: liste bazında silme ve kukla kodlama → \mathbf W (SAR ile ortak kurucu) → spreg ML_Error(method = "full"): her \lambda denemesinde süzülmüş veriyle GLS, yoğunlaştırılmış log-olabilirliğin en büyüklenmesi → \boldsymbol\beta kovaryansı ve (\lambda,\sigma^2) bilgi matrisi → Wald GA → (SDEM) etkiler → (isteğe bağlı) Hausman testi.

118.5.1 Mekânsal süzme ve log-olabilirlik

\mathbf B=\mathbf I-\lambda\mathbf W ile modelin iki yanı çarpılınca hatalar bağımsız olur:

\mathbf y^{*}=\mathbf X^{*}\boldsymbol\beta+\boldsymbol\varepsilon,\qquad \mathbf y^{*}=\mathbf y-\lambda\mathbf W\mathbf y,\qquad \mathbf X^{*}=\mathbf X-\lambda\mathbf W\mathbf X
  • \mathbf y^{*}, \mathbf X^{*}: mekânsal olarak süzülmüş veri; her birimin değerinden komşu ortalamasının \lambda katı çıkarılır.
  • Sabit sütunu da süzülür: satır standart \mathbf W'de 1-\lambda olur.
\ell(\boldsymbol\beta,\lambda,\sigma^2)=-\frac n2\ln(2\pi)-\frac n2\ln\sigma^2+\ln\lvert\mathbf I-\lambda\mathbf W\rvert-\frac{1}{2\sigma^2}(\mathbf y^{*}-\mathbf X^{*}\boldsymbol\beta)^{\top}(\mathbf y^{*}-\mathbf X^{*}\boldsymbol\beta)

Sabit \lambda'da \hat{\boldsymbol\beta}(\lambda)=(\mathbf X^{*\top}\mathbf X^{*})^{-1}\mathbf X^{*\top}\mathbf y^{*} ve \hat\sigma^2(\lambda)=\mathbf e^{*\top}\mathbf e^{*}/n; yoğunlaştırılmış log-olabilirlik

\ell_c(\lambda)=-\frac n2\ln(2\pi)-\frac n2-\frac n2\ln\hat\sigma^2(\lambda)+\sum_{i=1}^n\ln(1-\lambda\lambda_i)
  • \mathbf e^{*}=\mathbf y^{*}-\mathbf X^{*}\hat{\boldsymbol\beta}(\lambda): süzülmüş artık; aynı zamanda \mathbf e^{*}=(\mathbf I-\lambda\mathbf W)\hat{\mathbf u}, \hat{\mathbf u}=\mathbf y-\mathbf X\hat{\boldsymbol\beta}.
  • \lambda_i: \mathbf W'nin özdeğerleri; log-determinant SAR ile aynı biçimde (117.5.3).

Neden SAR'dan farklı olarak her adımda yeni bir regresyon?

SAR'da \hat{\boldsymbol\beta}(\rho)=\mathbf b_0-\rho\mathbf b_1 doğrusaldır; iki yardımcı OLS yeter. SEM'de \mathbf X^{*} de \lambda'ya bağlıdır; (\mathbf X^{*\top}\mathbf X^{*})^{-1} \lambda'da doğrusal değildir. Bu yüzden her \lambda denemesinde k\times k'lık küçük bir sistem yeniden çözülür (err_c_loglik). \hat\sigma^2 yine ML paydası n ile.

Koddaki tercih

  • spreg ML_Error, method = "full" her denemede yoğun determinant alır; minimize_scalar(method = "bounded"), aralık (−1, 1), tolerans 10^{-7} (spatial_error.py:297–298). R errorsarlm(method = "eigen") özdeğer toplamını ve (1/\lambda_{\min},\ 1/\lambda_{\max}) aralığını kullanır.
  • B/C/U/S stillerinde \mathbf W \lambda_{\max}'a bölünür; rapor edilen \lambda ve SDEM'deki \boldsymbol\theta geri ölçeklenir (324–325, 352–353).
  • Stdout'taki kütüphane iletisi ve sınırlı aramanın "relative tolerance" uyarısı bastırılır (289–294).

118.5.2 Kovaryans ve testler

\widehat{\operatorname{Var}}(\hat{\boldsymbol\beta})=\hat\sigma^2(\mathbf X^{*\top}\mathbf X^{*})^{-1},\qquad \widehat{\operatorname{Var}}\begin{pmatrix}\hat\lambda\\ \hat\sigma^2\end{pmatrix}=\begin{bmatrix}\operatorname{tr}(\mathbf W_B^2)+\operatorname{tr}(\mathbf W_B^{\top}\mathbf W_B) & \operatorname{tr}\mathbf W_B/\sigma^2\\ \operatorname{tr}\mathbf W_B/\sigma^2 & n/(2\sigma^4)\end{bmatrix}^{-1}
  • \mathbf W_B=\mathbf W(\mathbf I-\lambda\mathbf W)^{-1}.
  • Bilgi matrisi \boldsymbol\beta ile (\lambda,\sigma^2) arasında blok köşegendir (Anselin, 1988); \boldsymbol\beta'nın kovaryansı yalnız süzülmüş tasarımdan gelir.
  • z, p ve GA SAR'daki gibi normal dağılımla (117.5.4).
\text{AIC}=-2\hat\ell+2(k+2),\qquad R^2_{\text{sözde}}=\operatorname{kor}(\mathbf y,\mathbf X\hat{\boldsymbol\beta})^2
  • k+2: k katsayı, \lambda ve \sigma^2 (369; R AIC(errorsarlm) ile aynı).
  • Sözde R^2'deki \hat{\mathbf y}=\mathbf X\hat{\boldsymbol\beta} mekânsal hata bileşenini içermez (spreg pr2); bu yüzden SAR'ın sözde R^2'sinden (gözlenen \mathbf W\mathbf y'yi kullanır) küçüktür.

118.5.3 SDEM: mekânsal Durbin hata modeli

\mathbf y=\mathbf X\boldsymbol\beta+\mathbf W\mathbf X_{(-1)}\boldsymbol\theta+\mathbf u,\qquad \mathbf u=\lambda\mathbf W\mathbf u+\boldsymbol\varepsilon

Geri besleme olmadığından etkiler doğrusal ve kapalı biçimlidir (376–387):

\text{doğrudan}_j=\beta_j,\qquad \text{dolaylı}_j=\theta_j,\qquad \text{toplam}_j=\beta_j+\theta_j,\qquad \SH(\text{toplam}_j)=\sqrt{V_{\beta_j\beta_j}+V_{\theta_j\theta_j}+2V_{\beta_j\theta_j}}
  • \theta_j: komşuların x_j ortalamasının etkisi (satır standart \mathbf W'de). Satır standart olmayan \mathbf W'de ortalama dolaylı etki \theta_j\cdot\mathbf 1^{\top}\mathbf W\mathbf 1/n'dir (ortalama satır toplamı çarpanı); SH ve kovaryans aynı çarpanla ölçeklenir ve çıktı çarpanı bir notla yazar.
  • \mathbf V: ML kovaryansı \hat\sigma^2(\mathbf X^{*\top}\mathbf X^{*})^{-1}; SH'ler katsayı tablosuyla tutarlıdır.

118.5.4 Mekânsal Hausman testi

\mathbf u'nun kovaryansı \sigma^2\boldsymbol\Omega, \boldsymbol\Omega=(\mathbf B^{\top}\mathbf B)^{-1}=\mathbf A\mathbf A^{\top}, \mathbf A=(\mathbf I-\lambda\mathbf W)^{-1}. Model doğruysa OLS da tutarlıdır, ama SEM daha verimlidir:

H=\mathbf d^{\top}\big[\mathbf V_{\text{OLS}}-\mathbf V_{\text{SEM}}\big]^{-1}\mathbf d,\qquad \mathbf d=\hat{\boldsymbol\beta}_{\text{OLS}}-\hat{\boldsymbol\beta}_{\text{SEM}},\qquad H\sim\chi^2_k
\mathbf V_{\text{OLS}}=\hat\sigma^2(\mathbf X^{\top}\mathbf X)^{-1}\mathbf X^{\top}\boldsymbol\Omega\mathbf X(\mathbf X^{\top}\mathbf X)^{-1},\qquad \mathbf V_{\text{SEM}}=\hat\sigma^2(\mathbf X^{*\top}\mathbf X^{*})^{-1}
  • \mathbf V_{\text{OLS}}: hata kovaryansı \sigma^2\boldsymbol\Omega iken OLS kestiricisinin gerçek kovaryansı (sandviç).
  • \hat\sigma^2: SEM'in ML kestirimi, iki kovaryansta da aynı.
  • k: sabit dahil katsayı sayısı. p değeri \chi^2_k üst kuyruğundan, \lvert H\rvert ile (437; fark matrisi pozitif tanımlı olmayabilir).
  • H_0: SEM doğru tanımlı. Anlamlı p: dışlanmış değişken ya da yanlış model (SDM/SDEM düşünülür).

Koddaki tercih: \mathbf X^{\top}\boldsymbol\Omega\mathbf X hesabı

\boldsymbol\Omega=\mathbf A\mathbf A^{\top} açıkça kurulmaz: \mathbf Z=\mathbf B^{-\top}\mathbf X çözülür ve \mathbf X^{\top}\boldsymbol\Omega\mathbf X=\mathbf Z^{\top}\mathbf Z alınır (433–434). \mathbf B^{-\top}\mathbf X=\mathbf A^{\top}\mathbf X olduğundan \mathbf Z^{\top}\mathbf Z=\mathbf X^{\top}\mathbf A\mathbf A^{\top}\mathbf X'tir.

R `Hausman.test` asimetrik \mathbf W'de farklı sonuç verir

R spatialreg::Hausman.test, \mathbf V_{\text{OLS}}'u errorsarlm içinde (\mathbf X^{\top}\mathbf X)^{-1}\mathbf X^{\top}\mathbf A\mathbf A\mathbf X(\mathbf X^{\top}\mathbf X)^{-1} ile kurar (\mathbf A\mathbf A^{\top} yerine \mathbf A^2). İkisi yalnız simetrik \mathbf W'de aynıdır. Tıp verisinde (asimetrik k-NN) MerQur H=4{,}241, p=0{,}237; R Hausman.test H=22{,}634, p=4{,}8\times10^{-5} verir ve karar tersine döner. Hata kovaryansının tanımı gereği \mathbf A\mathbf A^{\top} doğrudur (Pace & LeSage, 2008); R'da bu tanımla elle kurulan test MerQur ile eşleşir (118.6.1). MerQur'un ipucu metni bu farkı yazar.

118.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/spatial_sar/elle_hesap.py (SEM bölümü; çıktı dogrulama/spatial_error/elle_sem.json) ile, MerQur çağrılmadan hesaplanmıştır.

Adım 1 — OLS ve tanılar. OLS: \mathbf b=(383{,}1489;\ -3{,}929980;\ 8{,}412113), \hat\ell_{\text{OLS}}=-557{,}33177, AIC =1122{,}6635. Aynı \mathbf W ile (117.5.7): OLS artıklarında Moran's I =0{,}434361, z=7{,}715; LM-lag =18{,}592, LM-error =53{,}116, sağlam LM-lag =0{,}193 (p=0{,}660), sağlam LM-error =34{,}717 (p=3{,}8\times10^{-9}). Karar kuralı SEM'i gösterir.

Adım 2 — Süzme (1. il). (\mathbf W\mathbf y)_1=501{,}14, y_1=501{,}3. \hat\lambda=0{,}6295975'te y_1^{*}=501{,}3-0{,}6295975\times501{,}14=185{,}7835; (\mathbf W\mathbf X)_1=(1;\ 45{,}18;\ 38{,}30), \mathbf x_1^{*}=(0{,}370402;\ 5{,}054783;\ 9{,}886414).

Adım 3 — \lambda'nın bulunması. Zarf teoremiyle skor

\frac{d\ell_c}{d\lambda}=\frac{n\,\mathbf e^{*\top}\mathbf W\hat{\mathbf u}}{\mathbf e^{*\top}\mathbf e^{*}}-\sum_i\frac{\lambda_i}{1-\lambda\lambda_i}=0

kökü \hat\lambda=0{,}6295975 (Şekil 118.1). Burada \mathbf e^{*\top}\mathbf e^{*}=264846{,}308, \hat\sigma^2=2648{,}4631, \sum\ln(1-\hat\lambda\lambda_i)=-4{,}370485:

\hat\ell=-50\ln(2\pi)-50-50\ln(2648{,}4631)-4{,}370485=-540{,}35108

Şekil 118.1. Solda Tıp #106 verisinde OLS artıklarının haritası: pozitif (turuncu) ve negatif (mor) artıklar bölgesel kümeler oluşturur. Sağda yoğunlaştırılmış log-olabilirlik \ell_c(\lambda); en büyük değer \hat\lambda=0{,}6296'da, OLS'ninkinden (\lambda=0) 17 birim yukarıda.

Adım 4 — Katsayılar. \mathbf X^{*\top}\mathbf X^{*} ve \mathbf X^{*\top}\mathbf y^{*} ile GLS:

Terim \hat\beta SH z OLS b
Sabit 397,3549 35,5009 11,193 383,1489
socioeconomic −4,173246 0,230027 −18,142 −3,929980
age_mean 8,242410 0,707173 11,655 8,412113

\lambda: SH =0{,}088890 (bilgi matrisi izleri \operatorname{tr}\mathbf W_B=17{,}840195, \operatorname{tr}\mathbf W_B^2=59{,}463923, \operatorname{tr}\mathbf W_B^{\top}\mathbf W_B=73{,}459702); z=7{,}083; %95 GA [0{,}455376;\ 0{,}803820].

Adım 5 — Uyum. AIC =1080{,}70216+10=1090{,}70216; LR_{\lambda=0}=2(-540{,}35108+557{,}33177)=33{,}9614 (p<10^{-8}); sözde R^2=0{,}722126. SEM, AIC'yi OLS'ye göre 31,96 birim düşürür.

Adım 6 — Hausman. \mathbf d=(-14{,}2060;\ 0{,}243266;\ 0{,}169703); H=4{,}2407, sd 3, p=0{,}2366: OLS ve SEM katsayıları istatistiksel olarak ayrışmaz, SEM'in dışsallık varsayımıyla çelişki yoktur.

Adım 7 — SDEM. \hat\lambda=0{,}632257; \hat{\boldsymbol\theta}=(0{,}942186;\ -1{,}060419), ikisi de anlamsız (z=1{,}30 ve -0{,}44); \hat\ell=-539{,}45984 (SEM'e karşı LR =1{,}78, sd 2). Toplam etkiler: socioeconomic -3{,}059228 (SH 0,886073), age_mean 7{,}014438 (SH 2,843132).

Adım 8 — Uzaklık bandı. Otomatik eşik 1,678007 derece: \hat\lambda=0{,}697860 (SH 0,094989), \hat\ell=-539{,}63293; k-NN ile benzer \boldsymbol\beta.

118.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri SEMResult alanlarından tam hassasiyetle alınmıştır. Python: numpy; \lambda skor denkleminin kökü. R 4.5.3: spatialreg::errorsarlm(method = "eigen", control = list(tol.opt = 1e-12)), SDEM için Durbin = TRUE; Hausman testi R içinde \boldsymbol\Omega=\mathbf A\mathbf A^{\top} ile elle (R Hausman.test değeri 118.5.4 uyarısında); SDEM toplam etki SH'si vcov() ile.

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat\lambda 0,629597 0,629598 0,629597 8,8e−08 ✓
SH(\hat\lambda) 0,088890 0,088890 0,088890 1,5e−08 ✓
z_\lambda 7,082850 7,082851 7,082849 2,2e−06 ✓
%95 GA alt (\lambda) 0,455375 0,455376 0,455375 1,2e−07 ✓
%95 GA üst (\lambda) 0,803820 0,803820 0,803819 5,8e−08 ✓
\beta Sabit 397,354904 397,354904 397,354904 4,8e−07 ✓
SH Sabit 35,500863 35,500863 35,500863 6,9e−07 ✓
\beta socioeconomic −4,173246 −4,173246 −4,173246 2,9e−08 ✓
SH socioeconomic 0,230027 0,230027 0,230027 5,9e−09 ✓
\beta age_mean 8,242410 8,242410 8,242410 3,9e−09 ✓
SH age_mean 0,707173 0,707173 0,707173 1,7e−08 ✓
z Sabit 11,192824 11,192824 11,192824 2,3e−07 ✓
z socioeconomic −18,142397 −18,142397 −18,142396 5,9e−07 ✓
z age_mean 11,655433 11,655433 11,655433 2,8e−07 ✓
\hat\sigma^2 (ML) 2648,463122 2648,463079 2648,463162 8,3e−05 ✓
\ln\lvert I-\hat\lambda W\rvert — −4,370485 — 0,0e+00 ✓
Log-olabilirlik ℓ −540,351078 −540,351078 −540,351078 1,8e−12 ✓
AIC 1090,702155 1090,702155 1090,702155 3,0e−12 ✓
LR (\lambda=0) — 33,961377 33,961377 2,9e−12 ✓
Sözde R^2 0,722126 0,722126 — 9,7e−11 ✓

Hausman, SDEM ve uzaklık bandı:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Hausman H 4,240668 4,240668 4,240668 5,9e−07 ✓ (R: elle, Ω = AAᵀ)
Hausman p 0,236622 0,236622 0,236622 5,8e−08 ✓ (R: elle, Ω = AAᵀ)
SDEM \hat\lambda 0,632258 0,632257 0,632257 4,2e−07 ✓
SDEM SH(\hat\lambda) 0,088423 0,088423 0,088423 7,3e−08 ✓
SDEM \beta Sabit 388,741858 388,741785 388,741781 7,7e−05 ✓
SDEM SH Sabit 124,163731 124,163704 124,163702 2,8e−05 ✓
SDEM \beta socioeconomic −4,001413 −4,001413 −4,001413 3,1e−08 ✓
SDEM SH socioeconomic 0,264134 0,264134 0,264134 2,3e−08 ✓
SDEM \beta age_mean 8,074856 8,074856 8,074856 3,5e−07 ✓
SDEM SH age_mean 0,785545 0,785545 0,785545 2,8e−08 ✓
SDEM \beta W·socioeconomic 0,942186 0,942186 0,942186 1,4e−07 ✓ (λ toleransı 10⁻⁷; göreli 5·10⁻⁶)
SDEM SH W·socioeconomic 0,722677 0,722677 0,722677 1,5e−07 ✓
SDEM \beta W·age_mean −1,060420 −1,060419 −1,060418 1,9e−06 ✓ (λ toleransı 10⁻⁷; göreli 5·10⁻⁶)
SDEM SH W·age_mean 2,399855 2,399855 2,399855 4,0e−07 ✓
SDEM toplam etki socioeconomic −3,059228 −3,059228 −3,059228 1,1e−07 ✓
SDEM SH(toplam) socioeconomic 0,886074 0,886073 0,886073 2,2e−07 ✓ (R: vcov ile)
SDEM toplam etki age_mean 7,014436 7,014438 7,014438 2,3e−06 ✓
SDEM SH(toplam) age_mean 2,843133 2,843132 2,843132 5,9e−07 ✓ (R: vcov ile)
SDEM ℓ −539,459835 −539,459835 −539,459835 7,0e−12 ✓
SDEM AIC 1092,919671 1092,919671 1092,919671 1,5e−11 ✓
Bant W: eşik (derece) 1,678007 1,678007 1,678007 8,9e−16 ✓
Bant W: \hat\lambda 0,697860 0,697860 0,697860 9,1e−09 ✓
Bant W: SH(\hat\lambda) 0,094989 0,094989 0,094989 2,1e−09 ✓
Bant W: ℓ −539,632935 −539,632935 −539,632935 5,7e−13 ✓

44 büyüklüğün tamamı ölçütü karşılar. SDEM \mathbf W·age_mean katsayısında MerQur, kökten 1{,}7\times10^{-6} göreli farklıdır: spreg \lambda'yı 10^{-7} toleransla bulur ve SDEM'de \hat\lambda kökten 3{,}8\times10^{-7} sapar; bu satır gerekçeli 5\times10^{-6} göreli toleransla kabul edilmiştir. R summary(impacts(SDEM)) SH'leri n/(n-p) ile ölçeklenmiş kovaryansla verdiğinden (toplam etki SH'si 0,9091) karşılaştırmada vcov() kullanılmıştır.

118.7 Çıktıyı okuma

Sonuç metni (Hausman açık; kısaltılmış):

SEM — Mekânsal Hata Modeli (ML kestirimi)
Komşuluk (W)     : k-en yakın komşu (k=5)
Gözlem sayısı    : N = 100

─── Mekânsal hata otokorelasyonu ───
λ (lambda)      = 0.6296
SE (λ)          = 0.0889   %95 GA: [0.4554, 0.8038]
z-istatistiği   = 7.083
p-değeri        < 0.0001
→ Mekânsal hata otokorelasyonu ANLAMLI
  Pozitif — komşu kalıntılar benzer (ölçülmemiş bölgesel etken var).

Değişken                         β        SE        z         p
Sabit terim               397.3549   35.5009   11.193   <0.0001 ***
socioeconomic              -4.1732    0.2300  -18.142   <0.0001 ***
age_mean                    8.2424    0.7072   11.655   <0.0001 ***

─── Mekânsal Hausman testi (Pace & LeSage 2008) ───
  H = 4.2407, df = 3, p = 0.2366
  H0: SEM doğru tanımlı (OLS ve SEM β'ları aynı). Anlamlı p → SEM yanlış tanımlı olabilir (...)

Model uyumu:
  Sözde R²     = 0.7221
  Log-olabilirlik = -540.35
  AIC          = 1090.70
  σ²           = 2648.4631
Öğe Ne yazar Nasıl yorumlanır
λ, SE, GA, z, p Hata otokorelasyon parametresi. λ > 0 ve anlamlı: ölçülmemiş bölgesel etkenler komşu illerde benzer sapmalar yaratıyor.
Katsayı tablosu \hat{\boldsymbol\beta} (GLS). OLS gibi doğrudan marjinal etki; geri besleme yok.
SDEM etki ayrıştırması Doğrudan =\beta, dolaylı =\theta, toplam ve SH'ler. Komşu açıklayıcıların etkisi.
Hausman H, sd, p. Anlamlıysa SEM'in dışsallık varsayımı şüpheli.
Sözde R² kor(\mathbf y,\mathbf X\hat{\boldsymbol\beta})^2. Mekânsal bileşen hariç uyum.
Log-olabilirlik, AIC Model karşılaştırması. Aynı \mathbf W ile kurulmuş SAR ve OLS'yle karşılaştırılabilir.
Notlar Zayıf/anlamsız λ, küçük n, ada, k-NN bağı. 118.2'deki koşullarda.

APA biçiminde rapor cümlesi (Türkçe ondalıkla). MerQur'un APA satırı \lambda, z, p ve sözde R^2'yi verir; p APA kuralına göre "p<,001" biçiminde yazılır.

OLS artıklarında mekânsal otokorelasyon bulunduğundan (Moran's I =0{,}43, z=7{,}71, p<0{,}001) ve sağlam LM testleri hata bağımlılığına işaret ettiğinden (sağlam LM-error =34{,}72, p<0{,}001; sağlam LM-lag =0{,}19, p=0{,}660), il düzeyindeki vaka oranı için k=5 en yakın komşu, satır standart ağırlıklı mekânsal hata modeli en çok olabilirlik yöntemiyle kestirildi (N=100). Hata otokorelasyonu anlamlıydı, \lambda=0{,}63, %95 GA [0{,}46;\ 0{,}80], z=7{,}08, p<0{,}001. Sosyoekonomik endeks (b=-4{,}17, SH =0{,}23, p<0{,}001) ve yaş ortalaması (b=8{,}24, SH =0{,}71, p<0{,}001) vaka oranıyla ilişkiliydi. Mekânsal Hausman testi OLS ve SEM katsayıları arasında fark göstermedi, H(3)=4{,}24, p=0{,}237.

118.8 Uzman soruları

S1. OLS \boldsymbol\beta'yı zaten yansız kestiriyorsa neden SEM?

İki neden: (1) OLS SH'leri \sigma^2(\mathbf X^{\top}\mathbf X)^{-1}'dir ve pozitif hata otokorelasyonunda genellikle küçüktür; p'ler fazla iyimser olur. (2) SEM GLS'dir, verimlidir: Tıp verisinde sosyoekonomik endeksin SH'si \hat\sigma^2(\mathbf X^{*\top}\mathbf X^{*})^{-1}'den 0,230'dur. Yansızlık yalnız dışsallık varsa geçerlidir; Hausman testi bunu sınar.

S2. SEM ile SAR'ın log-olabilirlikleri doğrudan karşılaştırılabilir mi?

Aynı \mathbf y, \mathbf X ve \mathbf W ile kurulmuşlarsa evet; ikisi de aynı sayıda parametreye (k+2) sahiptir, AIC farkı ℓ farkının iki katıdır. Ama iç içe değillerdir, LR testi kurulamaz. İç içe karşılaştırma için ikisini de içeren SDM kullanılır (117.5.8): SDM → SEM ortak çarpan testi.

S3. Hausman H negatif çıkabilir mi?

\mathbf V_{\text{OLS}}-\mathbf V_{\text{SEM}} asimptotik olarak pozitif yarı tanımlıdır, ama sonlu örneklemde kestirilmiş farkın negatif özdeğeri olabilir. MerQur p'yi \lvert H\rvert ile hesaplar (R Hausman.test de abs(statistic) kullanır). Negatif H testin güvenilmez olduğunun işaretidir.

S4. R ile Hausman sonucu neden farklı?

R spatialreg \mathbf V_{\text{OLS}}'u \mathbf A^2 ile kurar, MerQur \mathbf A\mathbf A^{\top} ile. Asimetrik k-NN \mathbf W'de bu, Tıp verisinde H'yi 4,24'ten 22,63'e çıkarır (118.5.4 uyarısı). Simetrik \mathbf W'de (örneğin simetrik bitişiklik, ikili B stili) iki yol aynı değeri verir.

S5. \lambda sınırda (\pm1'e yakın) çıkarsa?

spreg aralığı (−1, 1)'dir. \hat\lambda 1'e çok yakınsa \mathbf I-\lambda\mathbf W tekilliğe yaklaşır, bilgi matrisi kötü koşullanır ve SH'ler güvenilmezdir. Bu durum genellikle \mathbf W'nin yanlış (çok dar komşuluk) ya da modelde eksik bir trend olduğunu gösterir; koordinatları ya da bölgesel kuklaları \mathbf X'e eklemek önerilir. Satır standart \mathbf W'de negatif sınır gerçekte 1/\lambda_{\min}<-1'dir; MerQur bu bölgeyi aramaz.

S6. SEM panelinde neden LM testleri yok?

LM testleri OLS artıklarına dayanır ve modelden önce sorulur. MerQur bunları SAR panelinde "OLS artıkları — Lagrange çarpanı tanıları" bölümünde aynı \mathbf W ile verir. SEM'e karar vermek için önce SAR paneli (ya da Moran's I) çalıştırılır; formüller 117.5.7'dedir.

S7. SDEM etkileri neden benzetimsiz?

SDEM'de \partial\mathbf y/\partial\mathbf x_j^{\top}=\beta_j\mathbf I+\theta_j\mathbf W; \rho olmadığından etkiler katsayıların doğrusal birleşimidir. Toplam etkinin SH'si \sqrt{V_{\beta\beta}+V_{\theta\theta}+2V_{\beta\theta}} ile kesin hesaplanır; benzetim gerekmez.

S8. Satır standart olmayan \mathbf W'de SDEM dolaylı etkisi \theta mı?

Hayır. Ortalama dolaylı etki n^{-1}\sum_i\sum_{j\ne i}w_{ij}\theta=\theta\cdot\mathbf 1^{\top}\mathbf W\mathbf 1/n'dir; satır toplamları 1 iken \theta'ya iner. İkili k-NN'de (stil B) çarpan k'dır: Tıp verisinde B stiliyle kestirilen \theta özgün ölçekte 0,1884, dolaylı etki 5\times0{,}1884=0{,}942 olup W stilindeki değere eşittir.

118.9 Sık hatalar ve tuzaklar

  • SEM'i "Yapısal Eşitlik Modeli" sanmak. Bu panel mekânsal hata modelidir; yapısal eşitlik modeli ayrı bir analizdir.
  • \lambda'yı yayılma gibi yorumlamak. \lambda komşu hataların benzerliğidir; bir ildeki değişimin komşulara geçtiği anlamına gelmez. Yayılma iddiası SAR/SDM gerektirir.
  • SDEM'de \theta'yı atlamak. \mathbf W\mathbf X terimleri anlamlıysa SEM yanlış belirtilmiştir; Tıp verisinde \theta'lar anlamsız, SEM yeterlidir.
  • Model seçimini yalnız \lambda'nın p'sine bağlamak. \lambda anlamlı çıkabilir ama asıl süreç SAR olabilir. LM sağlam testleri ve SDM indirgeme testleri birlikte okunmalıdır.
  • Sözde R²'yi SAR'ınkiyle karşılaştırmak. SEM'deki \hat{\mathbf y}=\mathbf X\hat{\boldsymbol\beta}, SAR'daki \hat{\mathbf y}=\hat\rho\mathbf W\mathbf y+\mathbf X\hat{\boldsymbol\beta}'dir; tanımlar farklıdır. Karşılaştırma log-olabilirlik ya da AIC ile yapılır.
  • Hausman sonucunu başka yazılımla karşılaştırırken \mathbf W'nin simetrisini unutmak. Asimetrik \mathbf W'de R Hausman.test farklı bir formül kullanır (118.5.4).
  • Derece koordinatta uzaklık eşiğini km sanmak ve ada birimler: SAR bölümündeki uyarılar burada da geçerlidir (117.9).

118.10 Kaynaklar

  • Anselin, L. (1988). Spatial econometrics: Methods and models. Kluwer. https://doi.org/10.1007/978-94-015-7799-1
  • Anselin, L., Bera, A. K., Florax, R., & Yoon, M. J. (1996). Simple diagnostic tests for spatial dependence. Regional Science and Urban Economics, 26(1), 77–104. https://doi.org/10.1016/0166-0462(95)02111-6
  • Bivand, R., & Piras, G. (2015). Comparing implementations of estimation methods for spatial econometrics. Journal of Statistical Software, 63(18). https://doi.org/10.18637/jss.v063.i18
  • Elhorst, J. P. (2010). Applied spatial econometrics: Raising the bar. Spatial Economic Analysis, 5(1), 9–28. https://doi.org/10.1080/17421770903541772
  • LeSage, J., & Pace, R. K. (2009). Introduction to spatial econometrics. CRC Press. https://doi.org/10.1201/9781420064254
  • Ord, K. (1975). Estimation methods for models of spatial interaction. Journal of the American Statistical Association, 70(349), 120–126. https://doi.org/10.1080/01621459.1975.10480272
  • Pace, R. K., & LeSage, J. P. (2008). A spatial Hausman test. Economics Letters, 101(3), 282–284. https://doi.org/10.1016/j.econlet.2008.09.003